本文以Stream同步数据至DataHub的脚本模式为例，为您介绍如何通过数据集成导入离线DataHub数据。

前提条件

  1. 准备阿里云账号，并创建账号的访问密钥。详情请参见准备阿里云账号。
  2. 开通MaxCompute，自动产生一个默认的MaxCompute数据源，并使用主账号登录DataWorks。
  3. 创建工作空间，您可以在工作空间中协作完成业务流程，共同维护数据和任务等。详情请参见创建工作空间。
    说明 如果您需要通过子账号创建数据集成任务，请赋予其相应的权限。详情请参见准备RAM用户和成员管理。

背景信息

数据集成是阿里云提供的数据同步平台。该平台具备可跨异构数据存储系统、可靠、安全、低成本、可弹性扩展等特点，可以为20多种数据源提供不同网络环境下的离线数据进出通道。数据源类型的详情请参见支持的数据源与读写插件。

本文以配置DataHub数据源为例，如果您需要使用其它类型的数据源配置同步任务，请参见配置Reader和配置Writer。

操作步骤

  1. 进入数据集成页面。
    1. 登录DataWorks控制台。
    2. 在左侧导航栏，单击工作空间列表。
    3. 选择工作空间所在地域后，单击相应工作空间后的进入数据集成。
  2. 在数据集成 > 首页页面，单击新建同步任务，进入数据开发页面。
  3. 在新建节点对话框中，输入节点名称并选择目标文件夹，单击提交。
    说明
    • 节点名称的长度不能超过128个字符。
    • 此处的目标文件夹为创建的业务流程，具体操作请参见创建业务流程。
  4. 成功创建离线同步节点后，单击工具栏中的转换脚本图标。
  5. 单击提示对话框中的确认，即可进入脚本模式进行开发。
  6. 单击工具栏中的导入模板图标。
  7. 在导入模板对话框中，选择从来源端的Stream数据源同步至目标端的DataHub数据源的导入模板，单击确认。
  8. 导入模板后，根据自身需求编辑代码。 
    {
"type": "job",
"version": "1.0",
"configuration": {
 "setting": {
   "errorLimit": {
     "record": "0"
   },
   "speed": {
     "mbps": "1",
     "concurrent": 1,//作业并发数。
     "throttle": false
   }
 },
 "reader": {
   "plugin": "stream",
   "parameter": {
     "column": [//源端列名。
       {
         "value": "field",//列属性。
         "type": "string"
       },
       {
         "value": true,
         "type": "bool"
       },
       {
         "value": "byte string",
         "type": "bytes"
       }
     ],
     "sliceRecordCount": "100000"
   }
 },
 "writer": {
   "plugin": "datahub",
   "parameter": {
     "datasource": "datahub",//数据源名。
     "topic": "xxxx",//Topic是DataHub订阅和发布的最小单位，您可以用Topic来表示一类或者一种流数据。
     "mode": "random",//随机写入。
     "shardId": "0",//Shard 表示对一个Topic进行数据传输的并发通道，每个Shard会有对应的ID。
     "maxCommitSize": 524288,//为了提高写出效率，待攒数据大小达到maxCommitSize大小（单位MB）时，批量提交到目的端。默认是1,048,576，即1MB数据。
     "maxRetryCount": 500
   }
 }
}
}
  9. 配置完成后，分别单击保存和运行图标。
    说明
    • DataHub仅支持以脚本模式导入数据。
    • 如果需要选择新模板，请单击工具栏中的导入模板图标。一旦导入新模板，原有内容会被覆盖。
    • 保存同步任务后，直接单击运行图标，任务会立刻运行。

      您也可以单击提交图标，提交同步任务至调度系统中。调度系统会按照配置属性，从第2天开始定时执行。